---
title: "Sửa ngữ pháp, chính tả tiếng Ả Rập bằng LLM | BroadRouter"
description: "Sửa chính tả, ngữ pháp tiếng Ả Rập bằng API LLM: prompt sửa tối thiểu, chặn viết lại, chỉnh sửa theo từ phân loại theo lỗi và chấm điểm kiểu M2."
url: https://broadrouter.com/vi/blog/arabic-grammar-spelling-correction-llm/
lang: vi
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/blog/arabic-grammar-spelling-correction-llm/) (cập nhật ngày 2026-11-16).

# Sửa ngữ pháp và chính tả tiếng Ả Rập bằng LLM: hướng dẫn

Đội ngũ BroadNet Inference · 8 phút đọc · Đăng ngày 2026-11-15 · Cập nhật 2026-11-16

Hãy yêu cầu model chỉ trả văn bản đã sửa, với ít chỉnh sửa nhất và không diễn đạt lại. Sau đó dùng code so câu trả lời với input: loại câu trả lời sửa quá nhiều, và gắn nhãn từng chỉnh sửa theo từ là hamza, taa marbuta, alef maqsura, gộp, tách hoặc khác. Chấm một mẫu sửa tay theo chỉnh sửa, với precision, recall và F0.5.

## Ý chính

-   Trên tập test QALB-2014, GPT-4 với năm ví dụ đạt F1 65,49, so với 67,70 của AraT5v2 đã fine-tune (Kwon và cộng sự, ArabicNLP 2023). LLM dùng prompt là dùng được, nhưng không tự động tốt hơn.
-   Theo ban tổ chức QALB shared task, alif có hamza và nhầm lẫn alef maqsura/ya là các lỗi chính tả tiếng Ả Rập phổ biến nhất.
-   Việc sửa lỗi được chấm theo chỉnh sửa, không theo cả câu. Hãy trích các chỉnh sửa theo từ từ câu trả lời, so với chỉnh sửa chuẩn và báo cáo F0.5, chỉ số coi trọng precision gấp đôi recall.
-   Đừng bao giờ chuẩn hóa văn bản trước khi sửa. Chuẩn hóa cố ý đổi أ إ آ thành ا và ة thành ه, xóa đúng những lỗi bạn muốn sửa.
-   Chặn việc viết lại bằng code: nếu độ giống nhau giữa câu trả lời và input ở cấp ký tự thấp hơn 80%, hãy giữ bản gốc và ghi log câu trả lời.

**Trong trang này**

1.  LLM sửa ngữ pháp tiếng Ả Rập giỏi đến đâu?
2.  Sao không chỉ chuẩn hóa văn bản?
3.  Prompt nên viết gì?
4.  Kiểm tra câu trả lời của model thế nào?
5.  Nên theo dõi những loại lỗi nào?
6.  Chấm điểm công cụ sửa lỗi thế nào?
7.  Còn Tibyan và dữ liệu tổng hợp thì sao?
8.  Nên dùng model BroadNet nào?
9.  BroadNet Inference phù hợp ở đâu

Hiệu đính tiếng Ả Rập trông như một prompt một dòng: “hãy sửa văn bản này”. Thực tế model còn diễn đạt lại, thêm dấu, đổi từ phương ngữ thành từ trang trọng và giải thích các thay đổi, khiến bạn không biết chỉnh sửa nào là cần thiết. Bài này xây một công cụ sửa lỗi trên LLM tương thích OpenAI: chỉnh sửa ít nhất, kiểm tra câu trả lời bằng code, gắn nhãn từng chỉnh sửa theo loại lỗi và chấm điểm toàn bộ theo cách các benchmark nghiên cứu vẫn làm.

## LLM sửa ngữ pháp tiếng Ả Rập giỏi đến đâu?

Benchmark chuẩn là các QALB shared task. QALB-2014 dùng bình luận bằng tiếng Ả Rập chuẩn hiện đại trên website Al Jazeera: hơn một triệu từ văn bản huấn luyện với khoảng 306.000 chỉnh sửa, và các tập test khoảng 50.000 từ. QALB-2015 thêm nhánh thứ hai gồm bài luận của người học tiếng Ả Rập như ngoại ngữ (L2). Cả hai chấm hệ thống theo chỉnh sửa bằng M2 scorer. Điểm cao nhất, F1 (càng cao càng tốt):

| Tập test | F1 của hệ thống tốt nhất | Văn bản |
| --- | --- | --- |
| QALB-2014 test | 67,91 | Bình luận tin tức của người bản ngữ |
| QALB-2015 test bản ngữ | 72,87 | Bình luận tin tức của người bản ngữ |
| QALB-2015 test L2 | 41,20 | Bài luận của người học |

Dòng L2 là lời cảnh báo hữu ích. Văn bản của người học có nhiều lỗi chọn từ và thiếu từ hơn, và hệ thống tốt nhất đạt điểm thấp hơn nhiều. Nếu người dùng của bạn là người học, hãy dự kiến con số của bạn giống dòng đó hơn.

Sau đó Kwon, Bhatia, Nagoudi và Abdul-Mageed (ArabicNLP 2023) chạy ChatGPT và GPT-4 trên tập test QALB-2014. Với cùng công cụ chấm:

| Hệ thống | F1 |
| --- | --- |
| ChatGPT, 1 ví dụ | 53,59 |
| ChatGPT, 5 ví dụ | 63,98 |
| GPT-4, 5 ví dụ | 65,49 |
| AraT5v2, fine-tune | 67,70 |

Hai chi tiết quan trọng cho prompt của bạn. Thêm ví dụ giúp rất nhiều. Và prompt zero-shot cùng prompt viết bằng tiếng Ả Rập cho ra câu trả lời đầy lời giải thích mà các tác giả không thể chấm tự động. Công cụ sửa lỗi cần output mà chương trình diff được.

## Sao không chỉ chuẩn hóa văn bản?

[Công cụ chuẩn hóa văn bản tiếng Ả Rập](https://broadrouter.com/tools/arabic-text-normalizer/) trên trang này xóa tashkeel và tatweel, đổi أ إ آ thành ا và, tùy chọn, ى thành ي và ة thành ه. Đó là bước đúng cho tìm kiếm, vì người gõ احمد phải tìm thấy أحمد. Nhưng đó là bước sai trước khi sửa lỗi, vì nó xóa đúng sự phân biệt mà công cụ sửa lỗi phải khôi phục. Sau khi chuẩn hóa, انا và أنا là cùng một chuỗi, nên lỗi hamza biến mất và cách sửa cũng vậy.

Khi cần cả hai, hãy giữ ba bản: văn bản gốc, văn bản đã sửa để hiển thị cho người dùng, và một bản đã chuẩn hóa của văn bản đã sửa cho chỉ mục tìm kiếm. [Chuẩn hóa văn bản tiếng Ả Rập cho tìm kiếm](https://broadrouter.com/vi/blog/arabic-text-normalization-search/) nói về phía lập chỉ mục. Có một bước chuẩn hóa nên làm trước khi sửa: Unicode NFC, gộp alif tách rời cộng hamza kết hợp thành một ký tự, để diff không báo một thay đổi không có thật.

## Prompt nên viết gì?

Hãy yêu cầu chỉnh sửa tối thiểu, nêu các loại lỗi bạn quan tâm, cấm những thay đổi bạn không muốn và chỉ yêu cầu văn bản đã sửa. Viết chỉ dẫn bằng tiếng Anh hay tiếng Ả Rập là tùy bạn; [prompt engineering cho tiếng Ả Rập](https://broadrouter.com/vi/blog/arabic-prompt-engineering/) bàn về sự đánh đổi này. Kwon và cộng sự nhận được output dùng được từ chỉ dẫn tiếng Anh kèm ví dụ. Thêm ba đến năm cặp câu đã sửa từ dữ liệu của bạn (few-shot) là cải tiến rẻ nhất nên thử trước.

Đặt temperature là 0. Bạn muốn cùng một cách sửa mỗi lần. Nếu văn bản là phương ngữ như tiếng Ả Rập Ai Cập hay vùng Vịnh, hãy nói rõ có giữ phương ngữ không. Prompt dưới đây giả định tiếng Ả Rập chuẩn hiện đại ([MSA](https://broadrouter.com/vi/glossary/msa/)) và dặn model không đổi văn phong, điều này cũng bao gồm phương ngữ.

## Kiểm tra câu trả lời của model thế nào?

Code gửi một request, đo mức độ khác biệt giữa câu trả lời và input, trích các chỉnh sửa theo từ và gắn nhãn cho từng cái.

```python
import difflib, os, re, unicodedata
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

SYSTEM = """You are an Arabic proofreader. Correct spelling, grammar and punctuation
errors in the user's Modern Standard Arabic text with the fewest possible edits.
Rules:
- Fix hamza, taa marbuta (ة/ه), alef maqsura (ى/ي), agreement, missing or extra
  letters, wrongly split or merged words, and punctuation.
- Do not rephrase, reorder, shorten, translate or change the style or dialect.
- Do not add or remove diacritics (tashkeel).
- If the text is already correct, return it unchanged.
Reply with the corrected text only: no explanation, no quotes, no list of changes."""

def tokens(s: str) -> list[str]:
    s = unicodedata.normalize("NFC", s)        # composed hamza forms, so أ is one character
    return re.findall(r"\w+|[^\w\s]", s)       # Arabic letters are \w; ، ؟ ؛ become tokens

def edits(src: str, hyp: str) -> list[tuple]:
    """Word-level edits (start, end, replacement, original): the idea behind an M2 file's A lines."""
    a, b = tokens(src), tokens(hyp)
    out = []
    for op, i1, i2, j1, j2 in difflib.SequenceMatcher(None, a, b, autojunk=False).get_opcodes():
        i, j = i1, j1
        while op != "equal" and (i < i2 or j < j2):     # split the block into one-word edits
            if i + 1 < i2 and j < j2 and a[i] + a[i + 1] == b[j]:      # و قابلت -> وقابلت
                out.append((i, i + 2, b[j], f"{a[i]} {a[i + 1]}")); i += 2; j += 1
            elif i < i2 and j + 1 < j2 and a[i] == b[j] + b[j + 1]:    # عبدالله -> عبد الله
                out.append((i, i + 1, f"{b[j]} {b[j + 1]}", a[i])); i += 1; j += 2
            elif i < i2 and j < j2:
                out.append((i, i + 1, b[j], a[i])); i += 1; j += 1
            elif i < i2:                                                # deleted word
                out.append((i, i + 1, "", a[i])); i += 1
            else:                                                       # inserted word
                out.append((i, i, b[j], "")); j += 1
    return out

HAMZA = str.maketrans("أإآٱؤئ", "ااااوي")
RULES = [("hamza", lambda w: w.translate(HAMZA).replace("ء", "")),
         ("taa marbuta", lambda w: w.replace("ة", "ه")),
         ("alef maqsura", lambda w: w.replace("ى", "ي"))]

def error_class(orig: str, corr: str) -> str:
    if all(not c.isalnum() for c in (orig + corr).replace(" ", "")):
        return "punctuation"
    if orig != corr and orig.replace(" ", "") == corr.replace(" ", ""):
        return "merge" if " " in orig else "split"
    for name, f in RULES:
        if orig != corr and f(orig) == f(corr):
            return name
    both = lambda w: RULES[2][1](RULES[1][1](RULES[0][1](w)))
    if both(orig) == both(corr):
        return "mixed orthography"
    return "other"

def correct(text: str, model="broadnet/qwen3.8-27b", min_similarity=0.8) -> dict:
    r = client.chat.completions.create(
        model=model, temperature=0, max_tokens=2000,
        messages=[{"role": "system", "content": SYSTEM}, {"role": "user", "content": text}])
    out = r.choices[0].message.content.strip()
    sim = difflib.SequenceMatcher(None, text, out, autojunk=False).ratio()
    if sim < min_similarity:             # a rewrite, not a correction: keep the original
        return {"text": text, "edits": [], "rejected": out, "similarity": round(sim, 2)}
    return {"text": out, "similarity": round(sim, 2),
            "edits": [{"from": o, "to": c, "class": error_class(o, c)} for _, _, c, o in edits(text, out)]}
```

Chúng tôi chạy nó với một mock server cục bộ trả câu trả lời soạn sẵn (không gọi API thật, vì mock trả về đúng những gì chúng tôi viết). Với ذهبت الى المدرسه و قابلت المعلمه في الصباح, câu trả lời ذهبت إلى المدرسة وقابلت المعلمة في الصباح cho ra bốn chỉnh sửa: الى thành إلى (hamza), المدرسه thành المدرسة (taa marbuta), و قابلت thành وقابلت (gộp) và المعلمه thành المعلمة (taa marbuta). Với مشي الي, nó liệt kê مشي thành مشى (alef maqsura) và الي thành إلى (chính tả hỗn hợp, vì sửa cả hamza và alef maqsura cùng lúc). Một câu trả lời soạn sẵn biến الطقس جميل اليوم thành một câu dài gấp đôi có độ tương đồng 0,52, nên code giữ bản gốc và ghi log câu trả lời.

Ghi chú về code:

-   **Ngưỡng tương đồng là công cụ thô.** Một câu sai chính tả nặng có thể hợp lệ mà vẫn rơi gần 0,8. Hãy chỉnh ngưỡng trên dữ liệu của bạn, và gửi các câu trả lời bị loại cho người xem, đừng vứt đi.
-   **`max_tokens=2000`** chừa chỗ cho suy luận. Tài liệu BroadNet cho biết DeepSeek V4.1 Flash, GLM 5.3 và Qwen3.8 27B suy luận trước khi trả lời và phần suy luận tính vào `max_tokens`; bạn cũng có thể đặt `reasoning_effort` là low. Xem [phản hồi rỗng từ model suy luận](https://broadrouter.com/vi/guides/reasoning-tokens-empty-response/).
-   **Nhãn loại lỗi là quy tắc, không phải parser.** “Khác” bao gồm thiếu chữ cái (مسؤل thành مسؤول), hòa hợp và chọn từ. Để có phân loại đầy đủ, hãy chạy ARETA (bên dưới) trên cùng các cặp.

## Nên theo dõi những loại lỗi nào?

Ban tổ chức QALB nêu alif có hamza và nhầm lẫn alef maqsura/ya là các lỗi chính tả tiếng Ả Rập phổ biến nhất. ARETA, công cụ gắn nhãn loại lỗi của CAMeL Lab (Belkebir và Habash, CoNLL 2021), dùng bộ nhãn dựa trên Arabic Learner Corpus. Các nhãn chính tả gồm OH (hamza), OT (ha và taa marbuta) và OA (alif và ya), bên cạnh các nhãn hình thái, cú pháp, ngữ nghĩa, dấu câu, gộp (MG) và tách (SP). Bài báo của nó báo cáo F1 micro-average 85,8% so với văn bản người học được gắn nhãn thủ công.

| Loại | Sai | Đúng | Sai ở đâu |
| --- | --- | --- | --- |
| Hamza | انا، الى، مسأله | أنا، إلى، مسألة | Thiếu hamza, sai vị trí đặt hoặc nằm sai phía của alif |
| Taa marbuta | المدرسه | المدرسة | ة cuối viết thành ه, hoặc ngược lại |
| Alef maqsura | مشي، علي (giới từ) | مشى، على | ى cuối viết thành ي; علي cũng là tên người, nên ngữ cảnh quyết định |
| Gộp hoặc tách | و قابلت، عبدالله | وقابلت، عبد الله | Khoảng trắng quanh و và ال, tên ghép |
| Dấu câu | thiếu ، hoặc ؟ | thêm vào | Người gắn nhãn QALB ít đồng thuận nhất về dấu câu |

Hãy theo dõi recall theo từng loại. Một model sửa được taa marbuta nhưng bỏ sót hamza sau giới từ cần ví dụ cho mẫu đó, chứ không cần model khác.

## Chấm điểm công cụ sửa lỗi thế nào?

Sửa lỗi ngữ pháp (GEC) được chấm theo chỉnh sửa. So các chỉnh sửa biến câu gốc thành câu chuẩn đã sửa tay với các chỉnh sửa biến nó thành output của model. Precision là tỷ lệ chỉnh sửa của model khớp với bản chuẩn. Recall là tỷ lệ chỉnh sửa chuẩn mà model đã làm. QALB báo cáo F1; các nghiên cứu sau, gồm Kwon và cộng sự, còn báo cáo F0.5, chỉ số coi trọng precision gấp đôi recall, vì một “sửa lỗi” sai làm người dùng khó chịu hơn một lỗi bị bỏ sót.

```python
from collections import Counter

def score(sources, golds, hyps, beta=0.5):
    """Exact-match edit scoring: an edit counts only if span and replacement both match gold."""
    tp = fp = fn = 0
    by_class = Counter()
    for s, g, h in zip(sources, golds, hyps):
        G = {e[:3] for e in edits(s, g)}
        H = {e[:3] for e in edits(s, h)}
        tp += len(G & H); fp += len(H - G); fn += len(G - H)
        for e in edits(s, g):
            by_class[(error_class(e[3], e[2]), e[:3] in H)] += 1
    p = tp / (tp + fp) if tp + fp else 1.0
    r = tp / (tp + fn) if tp + fn else 1.0
    f = (1 + beta**2) * p * r / (beta**2 * p + r) if p + r else 0.0
    recall = {c: f"{by_class[(c, True)]}/{by_class[(c, True)] + by_class[(c, False)]}"
              for c in sorted({c for c, _ in by_class})}
    return {"P": round(p, 3), "R": round(r, 3), f"F{beta}": round(f, 3), "recall by class": recall}
```

Trên một tập mẫu hai câu với bảy chỉnh sửa chuẩn, trong đó output bỏ sót phép gộp và một taa marbuta, lại thêm một dấu chấm, nó in P 0,833, R 0,714 và F0.5 0,806, với recall theo loại: hamza 2/2, taa marbuta 2/3, gộp 0/1.

Đây là ý tưởng M2, đã đơn giản hóa. M2 scorer chính thức tìm cách căn chỉnh các chỉnh sửa của hệ thống khớp nhất với bản chuẩn, nên một cách sửa đúng nhưng được tách thành chỉnh sửa khác với bản chuẩn sẽ không bị phạt. Cách khớp chính xác của chúng tôi nghiêm hơn. Hãy dùng công cụ chấm chính thức khi so với số liệu đã công bố (bản developer vẫn cần Python 2). ERRANT trích xuất chỉnh sửa tương tự nhưng chỉ cho tiếng Anh.

Hãy xây tập chuẩn từ văn bản thật của người dùng, 100 đến 200 câu, do một người gắn nhãn cẩn thận sửa theo cùng quy tắc chỉnh sửa tối thiểu mà bạn đưa cho model. Chạy từng model và prompt ứng viên trên đó, rồi so F0.5 và recall theo loại. [Cách đánh giá LLM trước khi chuyển đổi](https://broadrouter.com/vi/blog/evaluate-llm-before-switching/) nói về cách chạy so sánh này cho công bằng.

## Còn Tibyan và dữ liệu tổng hợp thì sao?

Dữ liệu sửa lỗi tiếng Ả Rập có nhãn rất hiếm. Alrehili và Alhothali chỉ ra rằng QALB-14 và QALB-15 cộng lại có khoảng 20.500 ví dụ song song. Corpus Tibyan của họ (arXiv 2024, sau đó đăng trên PeerJ Computer Science) dùng ChatGPT để sinh các cặp câu sai và câu đúng từ sách về lỗi tiếng Ả Rập thường gặp, có nhà ngôn ngữ học rà soát. Nó chứa khoảng 600.000 token, với bảy loại lỗi: chính tả, hình thái, cú pháp, ngữ nghĩa, dấu câu, gộp và tách. Các tác giả nói corpus được công khai; chúng tôi không tìm thấy link tải để kiểm tra giấy phép. Nó hữu ích cho ví dụ few-shot và stress test, nhưng là dữ liệu tổng hợp, nên đừng dùng làm bài test nghiệm thu.

Nếu cần một baseline không phải LLM, repo arabic-gec của CAMeL Lab công bố code và model từ Alhafni và cộng sự (EMNLP 2023). Nếu chỉ cần chính tả, package ar-corrector gợi ý các từ trong từ điển cách một hoặc hai chỉnh sửa; nó không xử lý ngữ pháp, và bản phát hành cuối là năm 2021.

## Nên dùng model BroadNet nào?

Giá tính trên 1 triệu token, theo trang giá của BroadNet. Output của việc sửa lỗi dài gần bằng input, nên giá output là quan trọng.

| Model | Lý do | Input / output |
| --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/vi/models/qwen3.8-27b/) | Có tài liệu về suy luận; BroadNet báo cáo đã test tiếng Ả Rập, gồm cả hiểu phương ngữ vùng Vịnh và Ai Cập | $0.175 / $2.17 |
| [GLM 5.3](https://broadrouter.com/vi/models/glm-5.3/) | Có tài liệu về suy luận; context dài cho cả tài liệu | $0.78 / $3.46 |
| [DeepSeek V4.1 Flash](https://broadrouter.com/vi/models/deepseek-v4.1-flash/) | Giá output thấp nhất trong các model suy luận ở đây; có cả gói theo phiên giá cố định | $0.175 / $0.52 |
| [Gemma 4 VL 26B](https://broadrouter.com/vi/models/gemma-4-vl-26b/) | Dùng được với tín dụng ban đầu $5, nên bạn có thể xây pipeline trước khi nạp tiền | $0.10 / $0.22 |

Hãy chạy công cụ chấm với từng model trên tập chuẩn của bạn và chọn theo F0.5 và giá. Tiếng Ả Rập thường tốn nhiều token mỗi từ hơn tiếng Anh; hãy dán một mẫu vào [công cụ đếm token tiếng Ả Rập](https://broadrouter.com/tools/arabic-token-counter/) và ước tính hóa đơn bằng [công cụ tính chi phí API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/). BroadNet không có Batch API; để hiệu đính một kho lưu trữ lớn, [xử lý hàng loạt không cần Batch API](https://broadrouter.com/vi/blog/llm-batch-processing-without-batch-api/) chỉ cách chạy với số request đồng thời có giới hạn, hoặc trên một phiên DeepSeek giá $15 một tuần (mỗi phiên một request mỗi lúc).

## BroadNet Inference phù hợp ở đâu

BroadRouter là trang web của chính BroadNet. [BroadNet Inference](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-arabic-grammar-spelling-correction-llm&utm_content=body) cho truy cập tương thích OpenAI tới các model ở trên, nên code chạy được với [OpenAI Python SDK](https://broadrouter.com/vi/guides/openai-python-sdk/) sau khi đổi base URL. Dịch vụ không có endpoint hiệu đính và không công bố benchmark sửa lỗi tiếng Ả Rập riêng, nên hãy đo trên văn bản của bạn. Tuyên bố về quyền riêng tư của BroadNet nói nội dung inference không được lưu giữ, điều này quan trọng khi bạn hiệu đính tin nhắn của khách hàng. Nếu cần công cụ sửa lỗi tự host cho khối lượng rất lớn, một model fine-tune như của CAMeL Lab có thể rẻ hơn và nhất quán hơn; các điểm số đã công bố ở trên là lý do nên test cả hai.

Công cụ miễn phí cho chủ đề này (tiếng Anh)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Công cụ miễn phí (tiếng Anh)](https://broadrouter.com/tools/)

## Thuật ngữ trong bài này

[Hamza (chữ hamza trong tiếng Ả Rập)](https://broadrouter.com/vi/glossary/hamza/)

Hamza (ء) là chữ cái tiếng Ả Rập biểu thị âm tắc thanh hầu. Nó đứng riêng hoặc nằm trên chữ đỡ: alef (أ إ), waw (ؤ) hoặc yeh (ئ), còn آ là alef kết hợp madda. Vì văn bản gõ tay viết hamza không nhất quán, tìm kiếm và chấm giọng nói thường gộp các dạng alef về ا.

[Taa marbuta (chữ ة tiếng Ả Rập)](https://broadrouter.com/vi/glossary/taa-marbuta/)

Taa marbuta (ة, U+0629) là chữ cái tiếng Ả Rập chỉ xuất hiện ở cuối từ, thường đánh dấu danh từ và tính từ giống cái. Nó trông như heh (ه, U+0647) có thêm hai chấm, nên văn bản gõ tay hay lẫn hai chữ này, và nhiều bộ chuẩn hóa tìm kiếm đổi ة thành ه.

[Tiếng Ả Rập chuẩn hiện đại (MSA)](https://broadrouter.com/vi/glossary/msa/)

Tiếng Ả Rập chuẩn hiện đại (MSA) là dạng tiếng Ả Rập chuẩn hóa dùng trong văn viết, tin tức, giáo dục và phát biểu trang trọng khắp thế giới Ả Rập. Không ai dùng nó làm tiếng mẹ đẻ hằng ngày: người ta nói phương ngữ như Ai Cập hay vùng Vịnh và chuyển sang MSA khi trang trọng.

[Token](https://broadrouter.com/vi/glossary/token/)

Token là đơn vị văn bản mà model ngôn ngữ đọc và viết: một từ, một phần của từ, một dấu câu hoặc một chuỗi byte do tokenizer của model tạo ra. API LLM đếm, giới hạn và thường tính phí theo token.

[Batch API](https://broadrouter.com/vi/glossary/batch-api/)

Batch API là endpoint LLM bất đồng bộ nhận nhiều request cùng lúc, thường dưới dạng file, xử lý chúng trong một khung thời gian định sẵn thay vì ngay lập tức, rồi trả kết quả cùng nhau. Các nhà cung cấp như OpenAI và Anthropic tính giá batch thấp hơn API tiêu chuẩn.

[Chuẩn hóa văn bản tiếng Ả Rập](https://broadrouter.com/vi/glossary/arabic-text-normalization/)

Chuẩn hóa văn bản tiếng Ả Rập là bước đưa các cách viết khác nhau của cùng một từ về một dạng trước khi so khớp: xóa dấu phụ và tatweel, thống nhất các dạng alef, thường đổi ى thành ي, ة thành ه. Chỉ áp dụng cho khóa tìm kiếm và đánh giá, không cho văn bản hiển thị.

[Tool calling (gọi tool, function calling)](https://broadrouter.com/vi/glossary/tool-calling/)

Tool calling, còn gọi là function calling, là tính năng của API LLM trong đó model trả về một yêu cầu có cấu trúc để chạy một hàm do nhà phát triển định nghĩa, kèm đối số JSON. Ứng dụng chạy hàm rồi gửi kết quả lại; model không bao giờ tự chạy code.

[API tương thích OpenAI (OpenAI-compatible API)](https://broadrouter.com/vi/glossary/openai-compatible-api/)

API tương thích OpenAI là một HTTP API nhận cùng định dạng request và phản hồi như OpenAI API, ví dụ POST /v1/chat/completions, nên SDK và công cụ của OpenAI dùng được nó chỉ bằng cách đổi base URL, API key và tên model.

## Câu hỏi thường gặp

### ChatGPT hay LLM khác có sửa được ngữ pháp tiếng Ả Rập không?

Có, nhưng có giới hạn. Trong một bài test đã công bố trên benchmark QALB-2014, GPT-4 với năm ví dụ đạt F1 65,49, gần nhưng thấp hơn AraT5v2 đã fine-tune ở mức 67,70. Hãy dùng prompt sửa tối thiểu, kiểm tra câu trả lời bằng code và đo trên một mẫu văn bản của bạn.

### Lỗi chính tả tiếng Ả Rập nào phổ biến nhất?

Hamza trên alif (انا thay vì أنا, الى thay vì إلى), alef maqsura viết thành ya (مشي thay vì مشى), taa marbuta viết thành ha (المدرسه thay vì المدرسة), và từ bị tách hoặc gộp sai, như و قابلت thay vì وقابلت. Ban tổ chức QALB nêu alif có hamza và nhầm lẫn alef maqsura/ya là phổ biến nhất.

### Chuẩn hóa văn bản tiếng Ả Rập có giống sửa chính tả không?

Không. Chuẩn hóa cố ý gộp các biến thể chính tả, như أ và ا, để tìm kiếm và so khớp bỏ qua chúng. Sửa lỗi thì quyết định biến thể nào đúng trong ngữ cảnh. Hãy sửa trên văn bản gốc, và chỉ chuẩn hóa bản sao dùng để lập chỉ mục tìm kiếm.

### Làm sao đánh giá một công cụ sửa ngữ pháp tiếng Ả Rập?

Hãy sửa tay 100 đến 200 câu thật với chỉnh sửa tối thiểu. Trích các chỉnh sửa theo từ từ câu gốc sang bản chuẩn và từ câu gốc sang output của model, rồi đếm chỉnh sửa khớp để tính precision, recall và F0.5. M2 scorer mà QALB dùng làm việc này với cách căn chỉnh chỉnh sửa thông minh hơn.

### Có thư viện Python kiểm tra ngữ pháp tiếng Ả Rập không?

Nếu chỉ cần chính tả, ar-corrector gợi ý các từ trong từ điển cách một hoặc hai chỉnh sửa. Về ngữ pháp, CAMeL Lab công bố model và code GEC nghiên cứu (arabic-gec). API LLM là cách nhanh nhất để bắt đầu; model fine-tune có thể nhất quán hơn khi khối lượng lớn.

## Đọc tiếp

-   [Chuẩn hóa văn bản tiếng Ả Rập cho tìm kiếm và RAG: đổi gì, giữ gì](https://broadrouter.com/vi/blog/arabic-text-normalization-search/)
-   [Thêm dấu cho tiếng Ả Rập bằng LLM: prompt, kiểm tra, DER](https://broadrouter.com/vi/blog/arabic-diacritization-llm/)
-   [Prompt engineering tiếng Ả Rập: văn phong, RTL, chữ số và văn bản trộn](https://broadrouter.com/vi/blog/arabic-prompt-engineering/)
-   [Trích xuất thực thể tiếng Ả Rập bằng LLM: JSON, ngày tháng, kiểm tra](https://broadrouter.com/vi/blog/arabic-named-entity-extraction-llm/)
-   [Chọn API LLM cho tiếng Ả Rập: cần test những gì](https://broadrouter.com/vi/blog/choosing-an-llm-for-arabic/)
-   [Cách đánh giá LLM trước khi đổi nhà cung cấp](https://broadrouter.com/vi/blog/evaluate-llm-before-switching/)
-   [Xử lý LLM hàng loạt không cần Batch API: runner chạy tiếp được](https://broadrouter.com/vi/blog/llm-batch-processing-without-batch-api/)
-   [Biên bản họp tiếng Ả Rập từ bản ghi âm: một pipeline API](https://broadrouter.com/vi/blog/arabic-meeting-minutes-from-recordings/)
-   [So sánh API OCR tiếng Ả Rập: Google, Azure, Textract, Mistral, LLM](https://broadrouter.com/vi/blog/arabic-ocr-api-comparison/)
-   [Hướng dẫn: Dùng OpenAI Python SDK với BroadNet Inference](https://broadrouter.com/vi/guides/openai-python-sdk/)
-   [Hướng dẫn: Vì sao model suy luận trả về câu trả lời rỗng](https://broadrouter.com/vi/guides/reasoning-tokens-empty-response/)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

[Bắt đầu](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-arabic-grammar-spelling-correction-llm&utm_content=page-cta) ·

**Nguồn**

-   [Mohit và cộng sự, The First QALB Shared Task on Automatic Text Correction for Arabic, workshop ANLP tại EMNLP 2014: dữ liệu, M2 scorer, Bảng 3 và Bảng 7 (kiểm tra ngày 2026-11-15)](https://aclanthology.org/W14-3605/)
-   [Rozovskaya và cộng sự, The Second QALB Shared Task on Automatic Text Correction for Arabic, WANLP 2015: nhánh người bản ngữ và nhánh L2, Bảng 4, 8 và 9 (kiểm tra ngày 2026-11-15)](https://aclanthology.org/W15-3204/)
-   [Kwon, Bhatia, Nagoudi và Abdul-Mageed, Beyond English: Evaluating LLMs for Arabic Grammatical Error Correction, ArabicNLP 2023, Bảng 2 (kiểm tra ngày 2026-11-15)](https://aclanthology.org/2023.arabicnlp-1.9/)
-   [Alrehili và Alhothali, Tibyan Corpus: Balanced and Comprehensive Error Coverage Corpus Using ChatGPT for Arabic GEC, arXiv 2411.04588 (kiểm tra ngày 2026-11-15)](https://arxiv.org/abs/2411.04588)
-   [Belkebir và Habash, Automatic Error Type Annotation for Arabic (ARETA), CoNLL 2021 (kiểm tra ngày 2026-11-15)](https://aclanthology.org/2021.conll-1.47/)
-   [CAMeL Lab, ARETA trên GitHub (MIT): nhãn lỗi dựa trên ALC như OH hamza, OT ha/ta marbuta, OA alif/ya, MG gộp, SP tách (kiểm tra ngày 2026-11-15)](https://github.com/CAMeL-Lab/arabic_error_type_annotation)
-   [Alhafni, Inoue, Khairallah và Habash, Advancements in Arabic Grammatical Error Detection and Correction, EMNLP 2023; code và model tại CAMeL-Lab/arabic-gec (kiểm tra ngày 2026-11-15)](https://aclanthology.org/2023.emnlp-main.396/)
-   [NUS M2Scorer trên GitHub: precision, recall và F-beta theo chỉnh sửa cho GEC; bản developer cần Python 2 (kiểm tra ngày 2026-11-15)](https://github.com/nusnlp/m2scorer)
-   [ERRANT trên GitHub: trích xuất và phân loại chỉnh sửa sang định dạng M2; chỉ cho tiếng Anh (kiểm tra ngày 2026-11-15)](https://github.com/chrisjbryant/errant)
-   [ar-corrector trên PyPI: trình kiểm tra chính tả theo từ điển, hơn 500.000 từ, ứng viên cách 1-2 chỉnh sửa, phiên bản 1.1.6 từ tháng 4/2021 (kiểm tra ngày 2026-11-15)](https://pypi.org/project/ar-corrector/)
-   [Tài liệu tham chiếu API BroadNet Inference: ID model, suy luận tính vào max\_tokens, reasoning\_effort (kiểm tra ngày 2026-11-15) (tiếng Anh)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-arabic-grammar-spelling-correction-llm&utm_content=sources)
